理论基础：贝叶斯定理和条件独立性假设
一、优缺点
优点：实现简单，学习预测效率比较高
缺点：准确率可能并不是非常高
二、原理性的东西
1、朴素贝叶斯方法实际上是学习先验概率分布和条件概率分布，通过先验概率分布和条件概率分布实际上就能确定联合概率分布。计算公式如下。
$P(X,Y)=P(X|Y)*P(Y)$ ———— （1）
根据贝叶斯定理，我们知道
$P(Y_{i}|X)=\frac{P(X,Y_{i})}{\sum_{k=1}^{N}P(X,Y_{k})}$ ————（2）
根据公式（1），公式（2）可以转化为，
$P(Y_{i}|X)=\frac{P(Y_{i})*P(X|Y_{i})}{\sum_{k=1}^{N}P(Y_{k}*P(X|Y_{k}))}$ ————（3）
实际上这就是贝叶斯方法，同时这也是进行预测的过程
那么何为朴素贝叶斯方法呢？
2、从贝叶斯方法转化为朴素贝叶斯方法的关键是条件独立性假设
问题起源于$P(X|Y_{k}),k=1,2,3,...,N$的学习的难度。假设X是一个M维的向量，每一个维的取值为$S_{k},k=1,2,3,...,N$，并且Y的取值个数为$NUM_{Y}$那么我们需要学习的总的条件概率的个数为
$NUM_{Y}\prod_{k=1}^{M}S_{k}$
复杂度太高，学习的难度较大。朴素贝叶斯方法的聪明之处，对特征进行了条件独立性假设的分解，它假设。
$P(X|Y)=\prod_{k=1}^{M}P(X_{k}|Y)$
这样实际上有点类似数据库中对范式进行分解的意味。如果这样的话，我们需要计算的条件概率的个数变为了
$NUM_{Y}\sum_{k=1}^{M}S_{k}$
运用上面的化简，公式（3）可以进一步化简为
$P(Y_{i}|X)=\frac{P(Y_{i})*\prod_{j=1}^{M}P(X_{j}|Y_{i})} {\sum_{k=1}^{N}P(Y_{k})*\prod_{j=1}^{M}P(X_{j}|Y_{k})}$ ————（4）
分母部分实际上是一个常数，我们一般不会考虑，从而，预测模型变为了
$P(Y_{i}|X) = argmax_{i}(P(Y_{i})*\prod_{j=1}^{M}P(X_{j}|Y_{i}))$